面向点云长度外推的几何感知状态空间建模

基于摘要分析。该研究针对点云模型在训练与测试输入密度不一致时性能下降的问题，提出 PointLEX-Mamba：将点云密度变化转化为序列化后的 token 长度变化，使模型在短序列上训练后，以固定参数直接处理更长序列，无需测试时对原始点云下采样或针对高密度输入重新训练。 核心机制包括 Geometry-Aware Channel Routing，根据几何信息将 token-channel 特征分配至局部与全局分支；以及 Geo-Score Token Filtering，结合 temporal response、几何显著性和空间多样性筛选关键全局 token。这一设计试图同时处理稠密点云中的邻近冗余、几何关键区域，以及与空间结构相关的 token-channel 交互。摘要未提供具体路由规则、评分公式、状态空间结构或训练目标。 作者报告，在 ModelNet40 和 ScanObjectNN 上，随着输入密度和序列化长度增加，PointLEX-Mamba 相比基线与直接迁移方法降低了 Accuracy 衰减；作者报告消融支持两个模块的互补贡献。摘要未给出具体分数、训练与测试点数、序列化方式、数据划分或基线名称，实验协议、消融及统计信息尚未验证。复现需核对上述条件，尤其是序列排序与几何特征构造如何影响长度外推；代码与权重可用性尚未验证。 平台推测（待验证）：迁移假设是，局部/全局路由及冗余 token 筛选可能用于 EEG 长记录建模，但原方法依赖三维点云几何、空间邻近关系和序列化结构，其监督设置与规模尚不明确。EEG 应将几何显著性改造为电极空间关系与时间事件相关性，并重新定义 token 和筛选评分；低信噪比可能使关键瞬态被误删，跨被试差异、通道布局变化及小数据也可能使路由不稳定。一个可检验的小实验是在固定通道和同一任务下，仅用短 EEG 窗训练，再测试更长窗口，比较原始状态空间基线、路由模块和筛选模块的任务指标及事件保留情况，以检验是否真正改善长度外推。相关 EEG 工作尚未检索确认。